論文の概要: A Control Theory of Predictability in Latent World Models

• arxiv url: http://arxiv.org/abs/2607.10362v1
• Date: Sat, 11 Jul 2026 15:42:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.401998
• Title: A Control Theory of Predictability in Latent World Models
• Title（参考訳）: 潜在世界モデルにおける予測可能性の制御理論
• Authors: Hanzhe You, Yonggang Zhang, Maohao Ran, Zhiqin Yang, Zhenyuan Zhang, Wei Xue, Jun Song, Xinmei Tian, Yike Guo,
• Abstract要約: 現在のプラクティスでは、トレーニングとモデル選択の目的として、ホールトアウトデータに対する単一または複数ステップのロールアウト損失である予測エラーを採用しています。 この仮定は構造上の理由から信頼できないことを示す。 プランナーはトレーニング分布についてモデルに問い合わせるのではなく、その候補となるアクションが到達し、一般にデータ多様体を残します。
• 参考スコア（独自算出の注目度）: 39.22646915328561
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Latent world models are trained to predict future states in a learned representation and are then deployed inside a planner that selects actions by simulating them forward. Current practice adopts the prediction error, the single- or multi-step rollout loss on held-out data, as the training and model-selection objective, on the assumption that a lower prediction error yields better control. We show that this assumption is unreliable for a structural reason: a planner does not query the model on the training distribution but on the states that its candidate actions reach, which generally leave the data manifold, so an error averaged over the data cannot by itself govern control. We therefore reframe the objective as the discrepancy between the predicted and the true plan-cost at the plan the planner commits to, and prove that the planner's suboptimality is bounded by twice this discrepancy, whereas the data-averaged prediction error neither bounds nor tracks it. Under a linear-control premise the discrepancy separates into two terms. The first is a small on-manifold residual, on which the predicted and true dynamics agree and which a spectral tax prices through the non-normality of the latent transition operator. The second is an off-manifold divergence, on which an action carries the state off the manifold and the two dynamics diverge; this divergence is the binding term and is bounded by no data-averaged error. Synthetic operators confirm the pricing formulas, and latent model-predictive control experiments confirm the decoupling: across seeds, the single-step validation error is essentially uncorrelated with control success, whereas a fidelity score on the planner-reachable measure tracks it.
• Abstract（参考訳）: 潜在世界モデルは、学習された表現における将来の状態を予測するために訓練され、プランナー内に展開され、それらを前方にシミュレートすることでアクションを選択する。 現在の実践では、より低い予測誤差がより良い制御をもたらすと仮定して、トレーニングとモデル選択の目的として、ホールトアウトデータに対する1段階または複数段階のロールアウト損失である予測誤差を採用する。 プランナーがトレーニング分布のモデルに問い合わせるのではなく、その候補となるアクションが到達し、一般にデータ多様体が残る状態にあるので、データ上で平均されるエラーは、それ自体は制御を制御できない。 したがって、計画立案者がコミットする計画における予測と真の計画コストの相違として目的を再設定し、計画立案者の準最適性がこの相違によって2倍に制限されていることを証明し、データ平均予測誤差は境界も追跡もしない。 線形制御の前提の下では、相違は2つの項に分かれる。 1つ目は、予測および真の力学が一致し、潜在遷移作用素の非正規性によるスペクトル税価が上昇する小さなオンマンフォールド残差である。 2つ目はオフマンフォールドの発散であり、ある作用が多様体から状態を持ち出し、2つのダイナミクスが発散する。 合成演算子は価格式を確認し、潜在モデル予測制御実験はデカップリングを確認:種全体で、単一ステップの検証誤差は基本的に制御の成功と相関しないが、プランナー到達可能な測定値の忠実度スコアはそれを追跡する。

関連論文リスト

• MoP-JEPA: Hard-Assigned Predictor Mixtures for Stochastic JEPA World Models [14.76812870029721]
  MoP-JEPAは、有限個の候補セットを1つのパスで生成する。 ホールドアウトのOGBenchトランジションでは、単一出力予測器によるグラフ検索が0.02$--0.09$のクエリで成功し、MoP-JEPAは0.85$に達した。
  論文  参考訳（メタデータ） (2026-07-06T15:47:37Z)
• Constrained Auto-Bidding via Generative Response Modeling [4.3095605379591255]
  自動入札システムは、予算制約やコスト・パー・アクセシションなどの比率目標の下で、長期的地平線上の広告主価値を最大化することを目的としている。 コントロールベースのペアリングは逸脱に反応するが、将来の状況は予測できない。一方、RLと生成法は、制約を報酬信号に折り畳み、違反を回避し、分散シフトの下で劣化させる。 単一入札乗算器の関数として,将来の交通量と地平線集約コスト/値曲線を共同で予測する履歴条件付きシーケンスモデルであるジェネレーティブ・レスポンス・モデル(GRM)を用いて,学習対象を行動から応答へシフトする。
  論文  参考訳（メタデータ） (2026-05-27T01:06:54Z)
• Information Fidelity in Tool-Using LLM Agents: A Martingale Analysis of the Model Context Protocol [69.11739400975445]
  モデルコンテキストプロトコル(MCP)エージェントにおけるエラー蓄積を解析するための最初の理論的枠組みを紹介する。 累積歪みが線形成長と高確率偏差を$O(sqrtT)$で表すことを示す。 主な発見は、意味重み付けは歪みを80%減らし、周期的再接地は、エラー制御の約9ステップごとに十分である。
  論文  参考訳（メタデータ） (2026-02-10T21:08:53Z)
• Robust Planning for Autonomous Driving via Mixed Adversarial Diffusion Predictions [51.88828388720111]
  本稿では、通常と逆のエージェント予測を混合した自律運転のロバストな計画手法について述べる。 本研究では,実験時の拡散モデルに偏りを生じさせ,候補計画と衝突する可能性のある予測を生成することにより,逆予測の分布を生成する。 本手法が単エージェントおよび多エージェントジェイウォーキングシナリオおよび赤信号違反シナリオに与える影響について述べる。
  論文  参考訳（メタデータ） (2025-05-18T09:44:57Z)
• CUQDS: Conformal Uncertainty Quantification under Distribution Shift for Trajectory Prediction [6.029850098632435]
  軌道予測モデルは、有限未来の軌道とその関連する不確実性の両方をオンライン環境で推測することができる。 本研究では、予測された軌道の不確かさを定量化するために、分散シフトフレームワークCUQDSのコンフォーマル不確実性定量化を提案する。
  論文  参考訳（メタデータ） (2024-06-17T21:25:36Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• Neuro-Symbolic Entropy Regularization [78.16196949641079]
  構造化予測では、目的は構造化されたオブジェクトをエンコードする多くの出力変数を共同で予測することである。 エントロピー正則化(Entropy regularization)という1つのアプローチは、決定境界が低確率領域にあるべきであることを示唆している。 我々は、モデルが有効対象を確実に予測することを奨励する損失、ニューロシンボリックエントロピー正規化を提案する。
  論文  参考訳（メタデータ） (2022-01-25T06:23:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。